Chatbot Arena
基于人类偏好的匿名聊天机器人对战和排行榜，采用 Elo 评分系统。
基于真实用户对战投票的AI模型排行榜
数据统计
相关导航
FRAMES
Google 推出的 RAG 系统评测基准，824 道多跳问题，测试检索准确性和推理能力。
SimpleQA
OpenAI 发布的事实性评测基准，4326 道简短问答题，顶级模型得分仅 40%+，挑战性极高。
SuperGLUE
更具挑战性的通用语言理解评估基准。
AlpacaEval
评估指令遵循模型能力的自动化评估排行榜。
LiveBench
2025 最新！防污染的动态评测平台，每月更新题库，覆盖数学、编程、推理等 6 大类 960 题。
LiveSWEBench
实时软件工程基准测试，评估 AI 在真实代码库中解决问题的能力。
SuperCLUE
中文通用大模型综合性测评基准，2025 年 3 月版包含 1509 道原创新题，每 2 个月 100% 替换题库。
暂无评论...